Python爬虫 urllib -- 爬虫的相关概念介绍、urllib库的基本使用、urllib：1个类型和6个方法

1. 爬虫的相关概念介绍

---

1.1 什么是互联网爬虫

如果我们把互联网比作一张大的蜘蛛网，那一台计算机上的数据便是蜘蛛网上的一个猎物，而爬虫程序就是一只蜘蛛，沿着蜘蛛网抓取自己想要的数据

• 解释1：通过一个程序，根据Url(http://www.taobao.com)进行爬取网页，获取有用信息
• 解释2：使用程序模拟浏览器，去向服务器发送请求，获取响应信息

---

1.2 爬虫核心

• 爬取网页：爬取整个网页 包含了网页中所有得内容
• 解析数据：将网页中你得到的数据 进行解析
• 难点：爬虫和反爬虫之间的博弈

---

1.3 爬虫的用途

• 数据分析/人工数据集
• 社交软件冷启动
• 舆情监控
• 竞争对手监控
  

---

1.4 爬虫分类

通用爬虫:

聚焦爬虫：

---

1.5 反爬手段

1.User‐Agent：
	User Agent中文名为用户代理，简称 UA，它是一个特殊字符串头，使得服务器能够识
	别客户使用的操作系统及版 本、CPU 类型、浏览器及版本、浏览器渲染引擎、浏览器
	语言、浏览器插件等。
2.代理IP：
	西次代理 
	快代理 
	什么是高匿名、匿名和透明代理？它们有什么区别？ 
		1.使用透明代理，对方服务器可以知道你使用了代理，并且也知道你的真实IP。 
		2.使用匿名代理，对方服务器可以知道你使用了代理，但不知道你的真实IP。 
		3.使用高匿名代理，对方服务器不知道你使用了代理，更不知道你的真实IP。
3.验证码访问 
	打码平台 
		云打码平台 
		超级
4.动态加载网页 网站返回的是js数据 并不是网页的真实数据 
	selenium驱动真实的浏览器发送请求
5.数据加密 
	分析js代码

---

2. urllib库的基本使用

爬取百度源码：

# 使用urllib来获取百度首页的源码
import urllib.request


# (1)定义一个url  就是你要访问的地址
url = 'http://www.baidu.com'

# (2)模拟浏览器向服务器发送请求 response响应
response = urllib.request.urlopen(url)

# （3）获取响应中的页面的源码  content 内容的意思
# read方法  返回的是字节形式的二进制数据
# 我们要将二进制的数据转换为字符串
# 二进制--》字符串  解码  decode('编码的格式')
content = response.read().decode('utf-8')

# （4）打印数据
print(content)

运行结果：

补充说明：如果不解码会怎么样？

---

3. urllib：1个类型和6个方法

---

3.1 一个类型：HTTPResponse

import urllib.request

url = 'http://www.baidu.com'

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 一个类型
# response是HTTPResponse的类型
print('response type is ', type(response))

运行结果：

---

3.2 六个方法

read()：按照一个字节一个字节的去读

import urllib.request

url = 'http://www.baidu.com'

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 按照一个字节一个字节的去读
content = response.read()
print('response.read() is: ', content)

运行结果：

import urllib.request

url = 'http://www.baidu.com'

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 返回参数个字节
content = response.read(5)
print('response.read(5) is: ', content)

运行结果：

readline()：读取一行

import urllib.request

url = 'http://www.baidu.com'

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 读取一行
content = response.readline()
print('response.readline() is ', content)

运行结果：

readlines()：读取所有行

import urllib.request

url = 'http://www.baidu.com'

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 读取所有行
content = response.readlines()
print(type(content))
print(content)

运行结果：

getcode(): 返回状态码

import urllib.request

url = 'http://www.baidu.com'

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)


# 返回状态码  如果是200了 那么就证明我们的逻辑没有错
print(response.getcode())

运行结果：

geturl(): 返回的是url地址

import urllib.request

url = 'http://www.baidu.com'

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)


# 返回的是url地址
print(response.geturl())

运行结果：

获取请求头信息：

import urllib.request

url = 'http://www.baidu.com'

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 获取是一个状态信息
print(response.getheaders())

运行结果：

---

---